本发明涉及图像检测识别，更具体地，涉及一种基于ds证据理论的图像综合检测识别方法及系统。
背景技术：
1、目标跟踪设备发挥着对视场范围内的背景和目标进行成像探测的作用。由于目标类型、尺寸、距离、角度以及背景环境等因素的影响，目标在靶面成像的像素数由几个像素分布到几百个像素甚至充满视场，形态也是多种多样。
2、现有的基于先验知识的小尺度目标检测算法往往只关注像素数较少(1*1到20*20)的目标，且对噪声和复杂场景敏感，容易产生虚警。对更大像素数的目标容易只提取其局部细节或者不提取。而现有的基于深度学习的检测识别算法对像素数较大(20*20以上)的目标检测识别效果较好，对像素数较少(1*1到20*20)的目标检测率较低，同时虚警率也较低。
3、现有的单一检测或识别算法的处理方式无法对视场内不同像素数分布的目标同时进行全面的检测识别和更精细的型号识别。
技术实现思路
1、针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于ds证据理论的图像综合检测识别方法及系统，用以至少解决现有检测算法和识别算法各自独立运行且不做融合，难以体系化解决视场内不同像素数目标检测识别的技术问题。
2、为实现上述目的，按照本发明的第一个方面，提供了一种基于ds证据理论的图像综合检测识别方法，包括：
3、对同一帧图像同时进行包括基于先验知识的小尺度目标检测、基于深度学习的小尺度目标检测、大尺度目标识别和目标细粒度型号识别四个维度的检测识别，分别获取各维度下对所述图像内的待识别目标的坐标位置和型号的检测识别结果；
4、采用ds证据理论将各维度下对所述待识别目标的坐标位置和型号的检测识别结果进行融合，获取对所述待识别目标的综合检测识别结果。
5、进一步地，所述采用ds证据理论将各维度下对所述待识别目标的坐标位置和型号的检测识别结果进行融合，获取对所述待识别目标的综合检测识别结果包括：
6、将所述的四个维度下对所述待识别目标的坐标位置和型号的检测识别结果进行基于iou的目标框融合，以消除高度重合的目标框；
7、在消除高度重合的目标框的基础上，将所述的四个维度下对所述待识别目标的坐标位置和型号的检测识别结果进行基于ds证据理论的识别类型和置信度的融合，以获取识别类型和置信度的配置结果；
8、基于所述识别类型和置信度的配置结果，对小尺度目标进行筛选和排序，以获取对所述待识别目标的综合检测识别结果。
9、进一步地，所述基于iou的目标框融合的算法逻辑包括：
10、定义交并比为两个目标框相交的区域大小比上目标本身的大小，两个目标框取最大值；
11、如果所述交并比大于0.6，则判断为两个目标框属于同一个目标；反之，两个目标框不属于同一个目标；
12、如果两个目标框属于同一个目标，则目标的尺寸取外接矩形的长和宽。
13、进一步地，所述基于ds证据理论的识别类型和置信度的融合的算法逻辑包括：
14、如果目标框是由小尺度目标框和大尺度目标框组成，那么识别类型和置信度取大尺度识别类型和置信度；
15、如果目标框是由小尺度目标框和细粒度目标框组成，那么识别类型和置信度取细粒度识别类型和置信度；
16、如果目标框由小尺度目标框、大尺度目标框和细粒度目标框组成或者只包含大尺度目标框和细粒度目标框，则基于ds证据理论，进行基本概率分配，然后求融合后的大尺度目标置信度和细粒度目标置信度，取置信度更高的目标的识别类型和置信度。
17、进一步地，所述对小尺度目标进行筛选和排序的算法逻辑包括：
18、在所有的小尺度目标中，优先输出基于深度学习的小尺度目标检测的检测识别结果或者融合结果；
19、在只有基于先验知识的小尺度目标检测所检测到的检测识别结果中，输出根据目标特征进行排序的前三个目标。
20、进一步地，所述基于先验知识的小尺度目标检测的算法逻辑包括：
21、抑制背景杂波的干扰，以突出目标；
22、选取预设阈值，分割出目标像素；
23、将离散的目标像素点进行关联标记，得到目标；
24、根据目标特征筛选出预设高置信度的目标。
25、进一步地，所述基于深度学习的小尺度目标检测的算法采用3d卷积核、卷积长短时记忆单元以及注意力机制，搭建基于注意力机制、卷积长短时记忆单元的端到端网络算法模型，建立红外图像序列中不同图像帧之间的目标相关性，从时空信息中筛选出与目标相关的信息。
26、进一步地，所述大尺度目标识别的算法采用基于小样本学习的神经网络算法实现对类型目标进行粗分类识别；
27、所述大尺度目标识别的算法分两步进行训练：
28、基于基类的训练；
29、基于所述基类和新类的小样本微调。
30、进一步地，所述目标细粒度型号识别的算法对输入的图像通过分类网络提取特征并进行分类，在利用apn网络基于提取到的特征进行训练得到注意力区域信息的基础上，再将注意力区域裁剪出来并放大，作为第二层尺度网络的输入，以此类推，重复进行3次得到3个尺度网络的输出结果。
31、按照本发明的第二个方面，还提供了一种基于ds证据理论的图像综合检测识别系统，包括：
32、第一处理单元，用于部署基于先验知识的小尺度目标检测算法和基于深度学习的小尺度目标检测算法，以获取对应维度下对输入的图像内的待识别目标的坐标位置和型号的检测识别结果；
33、第二处理单元，用于部署大尺度目标识别算法，以获取对应维度下对输入的图像内的待识别目标的坐标位置和型号的检测识别结果；
34、第三处理单元，用于部署目标细粒度型号识别算法，以获取对应维度下对输入的图像内的待识别目标的坐标位置和型号的检测识别结果；
35、第四处理单元，用于采用ds证据理论将各维度下对所述待识别目标的坐标位置和型号的检测识别结果进行融合，获取对所述待识别目标的综合检测识别结果；
36、其中，所述的四个处理单元均采用基于嵌入式应用处理器和可编程逻辑的多核异构soc芯片，这四块soc芯片部署于同一单板上，通过serdes高速总线进行通信。
37、总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
38、(1)本发明将基于先验知识的小尺度目标检测算法和基于深度学习的小尺度目标检测算法进行了融合，解决了传统单一的基于先验知识的小尺度目标检测算法虚警率偏高的技术问题。本发明将检测算法和识别算法进行了融合，解决了现有检测算法和识别算法各自独立运行且不做融合进而导致难以体系化解决视场内不同像素数目标检测识别的技术问题。
39、(2)本发明细化了大尺度目标识别和目标细粒度型号识别两个层次，构建了基于ds证据理论的识别类型和置信度融合算法，能够同时实现细节较少目标较粗的类型识别和细节较多目标更细致的型号识别，解决了不同像素数目标检测识别和细粒度型号识别的技术问题。
40、(3)本发明将一系列算法部署到4个相互关联的soc芯片上，解决了将算法框架应用到实际设备的技术问题，实现了检测识别一体化探测的技术效果。
1.一种基于ds证据理论的图像综合检测识别方法，其特征在于，包括：
2.如权利要求1所述的基于ds证据理论的图像综合检测识别方法，其特征在于，所述采用ds证据理论将各维度下对所述待识别目标的坐标位置和型号的检测识别结果进行融合，获取对所述待识别目标的综合检测识别结果包括：
3.如权利要求2所述的基于ds证据理论的图像综合检测识别方法，其特征在于，所述基于iou的目标框融合的算法逻辑包括：
4.如权利要求2所述的基于ds证据理论的图像综合检测识别方法，其特征在于，所述基于ds证据理论的识别类型和置信度的融合的算法逻辑包括：
5.如权利要求2所述的基于ds证据理论的图像综合检测识别方法，其特征在于，所述对小尺度目标进行筛选和排序的算法逻辑包括：
6.如权利要求1所述的基于ds证据理论的图像综合检测识别方法，其特征在于，所述基于先验知识的小尺度目标检测的算法逻辑包括：
7.如权利要求1所述的基于ds证据理论的图像综合检测识别方法，其特征在于，所述基于深度学习的小尺度目标检测的算法采用3d卷积核、卷积长短时记忆单元以及注意力机制，搭建基于注意力机制、卷积长短时记忆单元的端到端网络算法模型，建立红外图像序列中不同图像帧之间的目标相关性，从时空信息中筛选出与目标相关的信息。
8.如权利要求1所述的基于ds证据理论的图像综合检测识别方法，其特征在于，所述大尺度目标识别的算法采用基于小样本学习的神经网络算法实现对类型目标进行粗分类识别；
9.如权利要求1所述的基于ds证据理论的图像综合检测识别方法，其特征在于，所述目标细粒度型号识别的算法对输入的图像通过分类网络提取特征并进行分类，在利用apn网络基于提取到的特征进行训练得到注意力区域信息的基础上，再将注意力区域裁剪出来并放大，作为第二层尺度网络的输入，以此类推，重复进行3次得到3个尺度网络的输出结果。
10.一种基于ds证据理论的图像综合检测识别系统，其特征在于，包括：
